典型文献
基于Spark的花卉图像分类研究
文献摘要：
针对传统单机模式对海量花卉图像数据分类效率低下以及现有网络模型对花卉分类准确率不高的问题,首先通过搭建Hadoop及Spark分布式计算框架,利用HDFS存储海量花卉图像数据,Spark进行分布式并行计算,HBASE存储相关的集群参数及网络模型参数.其次在对现有的VGG16网络模型进行研究的基础上,将选择性软注意力机制引入VGG16网络对其进行改进,使VGG16网络可以从不同的感受野获取信息,并使网络泛化能力变得更强.最终在Spark分布式计算框架中采用TensorFlowOnSpark技术,实现花卉图像特征提取、模型训练及分类测试的并行化,既降低了模型训练的时间,同时也提高了花卉分类的准确率.实验表明,与未引入SK(选择性内核)单元的VGG16模型相比,花卉分类的准确率提高了近15.3个百分点.实验还表明,分布式计算有利于负载均衡,极大地降低了模型训练及分类测试的耗时,能进一步提高海量花卉数据分类的效率.
文献关键词：
花卉分类;Hadoop;Spark;VGG16;TensorFlowOnSpark;SK单元
中图分类号：
作者姓名：
侯向宁;徐草草;杨井荣
作者机构：
成都理工大学 工程技术学院 电子信息与计算机工程系,四川 乐山614000
文献出处：
引用格式：
[1]侯向宁;徐草草;杨井荣-.基于Spark的花卉图像分类研究)[J].计算机技术与发展,2022(07):70-74
A类：
花卉分类,HBASE,TensorFlowOnSpark
B类：
花卉图,图像分类,分类研究,单机,图像数据,数据分类,分类准确率,Hadoop,分布式计算,计算框架,HDFS,分布式并行计算,VGG16,软注意力机制,感受野,获取信息,泛化能力,图像特征提取,模型训练,并行化,SK,百分点,负载均衡
AB值：
0.247316
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
